Detecting Faces (Viola Jones Algorithm) - ComputerphileYouTube↗  IA↗(long shot)
Education  311.2K views 10K likes 92 dislikes   19 Oct 2018
Computerphile 2.6M subscribers N/A YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
I'd like to talk about face detection
Yüz tanıma hakkında konuşmak istiyorum
All right. So this is the idea or if you've got a picture with one face in it or many faces in it
Tamam. Yani bu bir fikir veya içinde bir yüzü veya içinde birçok yüzü olan bir resim varsa
how do we find those faces and
bu yüzleri nasıl buluruz ve
The standard approaches is "Ah, we'll just use deep learning"
Standart yaklaşımlar “Ah, sadece derin öğrenmeyi kullanacağız”
Now you can use deep learning to find faces
Artık yüzleri bulmak için derin öğrenmeyi kullanabilirsiniz
But actually the approach that everyone uses isn't deep learning and it was developed in the early 2000s
Fakat aslında herkesin kullandığı yaklaşım derin öğrenme değildir ve 2000'lerin başında geliştirilmiştir.
So back before deep learning did everything
Bu yüzden derin öğrenme önce her şeyi yaptım
You kind of had to come up with these algorithms yourself right machine learning was still a thing. So people still use machine learning
Bu algoritmaları kendiniz bulmak zorundaydınız, doğru makine öğrenmesi hala bir şeydi. Yani insanlar hala makine öğrenmeyi kullanıyor
But they used them with handcrafted features and small neural networks and other kinds of classifiers
Ancak bunları el yapımı özellikler, küçük sinir ağları ve diğer sınıflandırıcı türleri ile kullandılar.
that they tried to use to do these things
Bunları yapmak için kullanmaya çalıştıklarını
Now the face detection was you know ongoing research at this time
Şimdi yüz tanıma, bu zamanda devam eden araştırmaları biliyordun.
In 2002 Paul viola Michael Jones came up with this paper here called
2002 yılında Paul viola Michael Jones burada adı verilen bu yazı ile geldi
"Rapid object detection using a boosted cascade of simple features", and this is a very very good paper.
"Basit özelliklerin arttırılmış bir kaskadını kullanarak hızlı nesne algılama", ve bu çok çok iyi bir kağıt.
It's been cited some 17,000 times
Yaklaşık 17.000 kez alıntı yapıldı
And despite the fact that deep learning has kind of taken over everything.
Ve derin öğrenmenin her şeyi bir nevi devralmış olmasına rağmen.
In face detection, this still performs absolutely fine, right
Yüz tanımada, bu yine de kesinlikle iyi bir performans sergiliyor.
It's incredibly quick and if you've got any kind of camera that does some kind of face detection
İnanılmaz derecede hızlı ve bir tür yüz algılaması yapan herhangi bir kameranız varsa
It's going to be using something very similar to this, right?
Buna çok benzer bir şey kullanacak, değil mi?
So what does it do? Let's talk about that.
Peki ne işe yarıyor? Bunun hakkında konuşalım.
The problem is, right,
Sorun doğru.
There's a few problems with face detection one is that we don't know how big the face is going to be
Yüz tanımada bir sorun var, yüzün ne kadar büyük olacağını bilmiyoruz.
So it could be very big could be very small, and another is, you know,
Yani çok büyük olabilir, çok küçük olabilir ve bir başkası, bilirsin,
Maybe you've got a very high-resolution image. We want to be doing this lots and lots of times a second
Belki çok yüksek çözünürlüklü bir görüntünüz vardır. Saniyede bu kadar çok kez yapmak istiyoruz
So what are we going to do to? Look over every every tiny bit of image lots and lots of times?
Peki ne yapacağız? Her küçük resim parçasına ve çoğu zaman bakın.
Complicated, um,
Karmaşık, um,
Machine learning, that says, you know, is this a face? is this not a face?
Makine öğrenmesi diyor ki, bu bir yüz mü? bu bir yüz değil mi?
There's a trade-off between speed and accuracy and false-positives and false-negatives. It's a total mess
Hız ve doğruluk ile yanlış pozitif ve yanlış negatif arasında bir denge var. Bu tam bir karmaşa
It's very difficult to find faces quickly, right? This is also considering it, you know, we have different ethnic groups
Yüzleri hızlıca bulmak çok zor, değil mi? Bu da düşünüyor, biliyorsunuz, farklı etnik gruplarımız var.
young, old people, people who've got glasses on, things like this
Gençler, yaşlılar, gözlükleri olan insanlar, bunun gibi şeyler
So all of this adds up to quite a difficult problem, and yet it's not a problem
Yani bunların hepsi oldukça zor bir soruna yol açıyor, ancak bu bir sorun değil
we worry about anymore because we can do it and we can do it because of these guys
Artık endişeleniyoruz çünkü bunu yapabiliriz ve bu adamlar yüzünden yapabiliriz.
They came up with a classifier that uses very very simple features, one bit of an image subtracted from another bit of an image and
Çok basit özellikler kullanan, bir görüntünün başka bir bitinden çıkarılmış bir görüntünün biti ve
On its own and that's not very good, but if you have
Kendi başına ve bu çok iyi değil, ama varsa
thousands and thousands of those, all giving you a clue that maybe this is a face, you could start to come up with proper decision
binlerce ve onlardan hepsi, belki de bunun bir yüz olduğuna dair bir ipucu vererek, uygun bir karar almaya başlayabilirsiniz.
[offscreen] Is this looking for facial features then is it as simple as looking for a nose and an eye and etc?
[ekran dışı] Bu yüz özellikleri mi arıyor, o zaman burun ve göz vs. aramak kadar basit mi?
So no, not really, right. So deep learning kind of does that right?
Yani hayır, tam olarak değil. Yani derin öğrenme bu doğru mu?
It takes it takes edges and other features and it combines them together into objects
Kenarları ve diğer özellikleri alır ve bunları birlikte nesneler halinde birleştirir.
you know, in a hierarchy and then maybe it finds faces. What this is doing is making very quick decisions about
Bilirsin, bir hiyerarşide ve sonra belki yüzleri bulur. Bu ne yapıyor hakkında çok hızlı kararlar alıyor
What it is to be a face, so in for example, if we're just looking at a grayscale image
Yüzün ne olduğu, yani, eğer sadece gri tonlamalı bir resme bakıyorsak
Right, my eye is arguably slightly darker than my forehead, right?
Doğru, gözüm belki alnımdan biraz daha koyu, değil mi?
In terms of shadowing and the pupils darker and things like this
Gölgeleme ve öğrenciler açısından daha koyu ve bunun gibi şeyler
So if you just do this bit of image minus this bit of image
Öyleyse bu görüntü parçasını sadece eksi bu görüntüyü yaparsanız
My eye is going to produce a different response from this blackboard, right, most of the time
Benim gözüm, çoğu zaman, çoğu zaman bu kara tahtadan farklı bir cevap üretecek.
Now, if you do that on its own, that's not a very good classifier, right? It'll get
Şimdi, bunu kendi başınıza yaparsanız, bu çok iyi bir sınıflandırıcı değildir, değil mi? Alacağım
quite a lot of the faces
yüzlerin oldukça fazla
But it'll also find a load of other stuff as well where something happens to be darker than something else that happens all the time
Ama aynı zamanda, bir şey her zaman olan başka bir şeyden daha karanlık olduğu durumlarda başka bir sürü yük bulacak
so the question is "can we produce a lot of these things all at once and make a decision that way?"
bu yüzden soru şu; “bir seferde bu şeylerin çoğunu üretebilir ve bu şekilde bir karar verebilir miyiz?”.
They proposed these very very simple rectangular features
Bu çok basit dikdörtgen özellikleri önerdiler
Which are just one part of an image subtracted from another part of an image
Görüntünün yalnızca bir bölümü, görüntünün başka bir bölümünden çıkarılır
So there are a few types of these features. One of them is a two rectangle features
Dolayısıyla, bu özelliklerin birkaç türü vardır. Bunlardan biri iki dikdörtgen özellik
So we have a block of image where we subtract one side from the other side
Yani bir tarafını diğer taraftan çıkardığımız bir resim bloğumuz var.
Their approaches are machine learning-based approach
Yaklaşımları makine öğrenmeye dayalı yaklaşımdır
Normally, what you would do in machine learning is you would extract --
Normalde, makine öğreniminde yapacağınız şey, ayıklamaktır.
You can't put the whole image in maybe there's five hundred faces in this image
Tüm görüntüyü koyamazsınız belki bu görüntüde beş yüz yüz vardır
So we put in something we've calculated from the image some features and then we use all machine learning to try and classify
Bu yüzden görüntüden bazı özellikleri hesapladığımız bir şeyi koyduk ve sonra tüm makine öğrenmesini denemek ve sınıflandırmak için kullanıyoruz.
bits of the image or the whole image or something like this. Their contribution was a very quick way to
Görüntünün bitleri veya görüntünün tamamı veya bunun gibi bir şey. Katkıları çok hızlı bir şekilde oldu
calculate these features and use them to make a face classification
bu özellikleri hesaplamak ve yüz sınıflandırma yapmak için bunları kullanmak
To say there is a face in this block of image or there isn't
Bu görüntü bloğunda bir yüz olduğunu söylemek için
And the features they use a super simple, right? So they're just rectangular features like this
Ve kullandıkları özellikler süper basit, değil mi? Yani sadece bunun gibi dikdörtgen özellikler
So we've got two rectangles next to each other which, you know are some amount of pixels
Öyleyse yan yana iki dikdörtgen var, ki biliyorsunuz ki piksel miktarı
so maybe it's a
bu yüzden belki bir
It's nine pixels here and nine pixels here or just one pixel and one pixel or hundred pixels and a hundred pixels
Burada dokuz piksel ve burada dokuz piksel veya sadece bir piksel ve bir piksel veya yüz piksel ve yüz piksel
It's not really important.
Bu gerçekten önemli değil.
and we do one subtract the other right?
ve birisini diğer hakkını mı çıkartacağız?
So essentially we're looking for bits of an image where one bit is darker or brighter than another bit
Bu yüzden aslında bir bit diğerinden daha koyu veya daha parlak olan bir görüntünün bitlerini arıyoruz.
This is a two rectangle feature. It can also be oriented the other way so, you know like this
Bu iki dikdörtgen bir özelliktir. Aynı zamanda diğer yöne yönlendirilebilir, yani böyle biliyorsunuz
We also have three rectangle features which are like this where you're doing sort of maybe the middle subtract the outside or vice versa
Ayrıca, belki de ortayı dışarı çıkarırken veya tam tersi şekilde yaptığınız üç dikdörtgen özelliğe sahibiz.
And we have four rectangle feature which are going to be kind of finding diagonal sort of corner things
Ve köşegen çeşit köşeli şeyler bulabilen dört dikdörtgen özelliğimiz var.
So something like this
Yani böyle bir şey
Even if your image is small right you're going to have a lot of different possible features even of these four types
Resminiz küçük olsa bile, bu dört türden bile çok farklı olası özelliklere sahip olacaksınız.
So this four rectangle feature could just be one pixel each or each of these could be half the image it can scale
Böylece bu dört dikdörtgen özellik, her birinin yalnızca bir pikseli veya bunların her birinin ölçekleyebileceği görüntünün yarısı olabilir
You know or move and move around
Bilirsin ya da taşınır ve taşınırsın
Brady : What determines that? Mike : Um, so they do all of them, right?
Brady: Bunu ne belirliyor? Mike: Hım, yani hepsini yapıyorlar, değil mi?
Or at least they look at all of them originally
Ya da en azından hepsine başlangıçta bakıyorlar.
And they learn which ones are the most useful for finding a face this over a whole image of a face isn't hugely
Ve hangisinin bir yüz bulmak için en kullanışlı olduğunu öğrenirler, bunun bir yüz görüntüsünün tamamı üzerinde büyük bir önemi yoktur.
representative of what a face looks like right? No one's face. The corners are darker than the other two corners
Bir yüzün neye benzediğini gösteren temsilci? Kimsenin yüzü değil. Köşeler diğer iki köşeden daha koyu
That doesn't make sense, right but maybe over their eye, maybe that makes more sense
Bu mantıklı değil, belki gözlerinde olabilir, belki daha anlamlı olabilir.
I don't know, that's the kind of the idea. So they have a training process at which was down
Bilmiyorum, bu tür bir fikir. Bu yüzden aşağı bir eğitim süreci var
Which of these features are useful, the other problem we've got is that on an image
Bu özelliklerden hangisi faydalıdır, sahip olduğumuz diğer sorun görüntüde ki
Calculating large groups of pixels and summing them up is quite a slow process
Büyük piksel gruplarının hesaplanması ve toplanması, oldukça yavaş bir işlemdir.
So they come a really nifty idea called an integral image which makes this way way faster
Böylece, bu yolu bu kadar hızlı kılan, bütünleşik bir görüntü denilen çok şık bir fikir geliyorlar.
So let's imagine we have an image
Öyleyse bir görüntümüz olduğunu hayal edelim
Right, and so think -- consider while we're talking about this that we want to kind of calculate these bits of image
Doğru ve öyle düşünün - bu konu hakkında konuşurken bu görüntü parçalarını hesaplamak istediğimizi düşünün
But minus some other bit of image, right? So let's imagine we have an image which is nice and small
Ama eksi başka bir görüntü parçası, değil mi? Diyelim ki güzel ve küçük bir imgemiz var.
It's too small for me to write on but let's not worry about it
Yazmam için çok küçük ama endişelenmeyelim
Right and then let's draw in some pixel values. Sast forward. Look at the state of that. That's that's a total total shambles
Doğru ve sonra bazı piksel değerleri çizelim. İleriye doğru at. Bunun durumuna bak. Bu toplam toplam karmakarışık
This is a rubbable-out pen, right? For goodness sake
Bu bir tükenmez kalem değil mi? Tanrı aşkına
Right right okay okay so all right so
Tamam, tamam, tamam, tamam, tamam
Let's imagine this is our input image. We're trying to find a face in it
Bunun bizim giriş imajımız olduğunu düşünelim. İçinde bir yüz bulmaya çalışıyoruz
Now I can't see one
Şimdi bir tane göremiyorum
But obviously this could be a quite a lot bigger and we want to calculate let's say one of our two rectangle features
Ama açıkçası bu çok daha büyük olabilir ve hesaplamak istiyoruz ki iki dikdörtgen özelliğimizden birini diyelim.
So maybe we want to do these four pixels up in the top
Belki de bu dört pikseli üstte yapmak istiyoruz.
Minus the four pixels below it now that's only a few additions : 7 + 7 + 1 + 2
Altındaki dört piksel eksi şimdi sadece birkaç ekleme: 7 + 7 + 1 + 2
minus 8 + 3 + 1 + 2
eksi 8 + 3 + 1 + 2
But if you're doing this over large sections of image and thousands and thousands of times to try and find faces
Fakat bunu büyük görüntü bölümleri üzerinde yapıyorsanız ve yüzleri bulmak ve bulmak için binlerce ve binlerce kez yapıyorsanız
That's not gonna work
Bu işe yaramayacak
So what Viola Jones came up with was this integral image where we pre-compute
Öyleyse, Viola Jones'un ortaya çıkardığı şey, önceden hesapladığımız bu ayrılmaz görüntü oldu.
Some of this arithmetic for us, store it in an intermediate form, and then we can calculate
Bu aritmetiklerin bir kısmı bizim için ara formda saklar, sonra da hesaplayabiliriz.
rectangles minus of of rectangles really easily
dikdörtgenler eksi dikdörtgenler gerçekten kolay
So we do one pass over the image, and every new pixel is the sum of all the pixels
Böylece resmin üzerine bir geçiş yapıyoruz ve her yeni piksel, tüm piksellerin toplamıdır.
Above and to the left and it including it. right, so this will be something like this
Üstte ve solda ve onu da içeren. tamam, yani bu böyle bir şey olacak
so
yani
1 and 1 + 7 is 8 so this pixel is the sum of these two pixels and this pixel is going to be all these three
1 ve 1 + 7 8'dir, bu piksel bu iki pikselin toplamıdır ve bu piksel bu üçünün tümü olacaktır.
So that's going to be 12... 14... 23
Yani bu 12, 14, 23 olacak
and now we fast forward while I do a bit of math in my head
ve şimdi kafamda biraz matematik yaparken hızlıca ilerliyoruz
8...17 maybe I did somebody's earlier, 24... On a computer this is much much faster
8 ... 17 belki de daha önce bir başkasını yaptım, 24 ... Bir bilgisayarda bu çok daha hızlı
The sum of all the pixels is 113. For example, the sum of this 4x4 block is 68 now
Tüm piksellerin toplamı 113'tür. Örneğin, bu 4x4 bloğunun toplamı 68'dir
The reason this is useful, bear with me here
Bunun faydalı olmasının nedeni burada benimle birlikte olmaktır.
But if we want to work out what, let's say, the sum of this region is what we do is we take this one
Ama ne olduğunu anlamak istiyorsak, diyelim ki, bu bölgenin toplamı yaptığımız şey, bunu almak.
113 we subtract this one, minus 64
113 bunu çıkartıyoruz, eksi 64
Alright, and this one?
Tamam, peki ya bu?
minus 71 and that's taken off all of that and all of that and then we have to add this bit in because we've been
eksi 71 ve hepsi bu ve hepsinden koptu ve sonra bu parçayı eklemek zorundayız çünkü biz
Taken off twice so plus 40. All right, so that's four reads. Now funnily enough this is a 4 by 4 block
İki kez artı 40 artı. Tamam, bu yüzden dört okur. Şimdi yeterince komik bu 4 4 blok
So I've achieved nothing
Böylece hiçbir şey elde etmedim
But if this was a huge huge image, I've saved a huge amount of time and the answer to this is 18
Ama eğer bu çok büyük bir imge olsaydı, çok fazla zaman kazandırdım ve bunun cevabı 18.
Which is 6 plus 6 plus 5 plus 1
6 artı 6 artı 5 artı 1 olan
So the assumption is that I'm not just going to be looking at these pictures one time to do this, right?
Öyleyse, varsayım bunun için bir kez sadece bu resimlere bakmayacağım, değil mi?
There's lots of places a face could be I've got to look at lots of combinations of pixels and different regions
Yüzün olabileceği pek çok yer var, birçok piksel ve farklı bölge kombinasyonuna bakmam gerekiyor
So I'm going to be doing huge amounts of pixel addition and subtraction
Bu yüzden büyük miktarda piksel toplama ve çıkarma işlemi yapacağım.
So let's calculate this integral image once and then use that as a base to do really quick
Öyleyse bu integral görüntüyü bir kez hesaplayalım ve sonra bunu gerçekten hızlı yapmak için bir üs olarak kullanalım.
Adding and subtracting of regions, right?
Bölge ekleme ve çıkarma, doğru mu?
and so I think for example a 4 rectangle region
ve böylece bence 4 dikdörtgen bölge
is going to take something like nine reads or something like that and a little bit addition. It's very simple
dokuz okur gibi bir şey veya buna benzer bir şey ve biraz ek olarak alacaktır. Çok basit
All right. So now how do we turn this into a working face detector? Let's imagine
Tamam. Peki şimdi bunu nasıl çalışan bir yüz algılayıcısına çeviririz? Hayal edelim
We have a picture of a face, which is going to be one of my good drawings again
Yine iyi çizimlerimden biri olacak bir yüzün resmi var.
Now in this particular algorithm, they look 24 by 24 pixel regions, but they can also scale up and down a little bit
Şimdi, bu özel algoritmada, 24'e 24 piksel bölgelere bakarlar, ancak biraz yukarı ve aşağı ölçekleyebilirler
So let's imagine there's a face here which has, you know eyes, a nose and a mouth right and some hair
Diyelim ki burada gözler, burun, ağız sağ ve biraz saç olan bir yüz var.
Okay, good. Now as I mentioned earlier, there are probably some features that don't make a lot of sense on this
Tamam iyi. Şimdi daha önce de bahsettiğim gibi, muhtemelen bu konuda pek bir anlam ifade etmeyen bazı özellikler var.
So subtracting, for example, if I take my red pen
Örneğin kırmızı kalemimi alırsam çıkarma
Subtracting this half of image from this half. It's not going to represent most faces
Görüntünün bu yarısını bu yarısından çıkarmak. Çoğu yüzleri temsil etmeyecek
It may be when there's a lot of lighting on one side, but it's not very good at distinguishing
Bir tarafta çok fazla aydınlatma olduğunda olabilir, ancak ayırt etmek çok iyi değil
Images that have faces in and images that don't have faces in
Yüzleri olan görüntüler ve yüzleri olmayan görüntüler
So what they do, is they calculate all of the features, right for a 24 by 24 image
Yani ne yaparlarsa yapsınlar, 24 x 24 görüntü için tüm özellikleri hesaplarlar.
They calculate all 180,000 possible combinations of 2, 3, and 4 rectangle features and they work out which one
180.000 olası 2, 3 ve 4 dikdörtgen özellik kombinasyonunun tümünü hesaplar ve hangisinin üzerinde çalışır
For a given data set of faces and not faces, which one best separates the positives from the negatives, right?
Alınan yüzler ve yüzler olmayan belirli bir veri kümesi için, hangisi pozitifleri negatiflerden en iyi şekilde ayırır?
So let's say you have 10,000 pictures of faces
Diyelim ki 10.000 yüz fotoğrafınız var.
10,000 pictures of background which one feature best
En iyi özelliği olan 10.000 arka plan resmi
says "this is a face, this is not a face" Right, bearing in mind
"Bu bir yüz, bu bir yüz değil" diyor Doğru, akılda tutmak
Nothing is going to get it completely right with just one feature
Hiçbir şey sadece bir özellik ile tam olarak doğru yapamaz
So the first one it looks it turns out is something like this
Görünüşe göre ilk çıktığı şey böyle bir şey.
It's a two rectangle region, but works out a difference between the area of the eyes and the air for cheeks
İki dikdörtgen bir bölge, ancak gözlerin alanı ile yanakların havası arasında bir fark var.
So it's saying if on a normal face your cheeks are generally brighter or darker than your eyes
Yani, normal bir suratta, yanaklarınız genellikle gözlerinizden daha parlak veya daha koyu ise
So what they do is they say, okay
Öyleyse yaptıkları şey derler.
Well, let's start a classifier with just that feature right and see how good it is
Pekala, tam da bu özelliğe sahip bir sınıflandırıcı başlatalım ve ne kadar iyi olduğunu görelim.
This is our first feature feature number one, and we have a pretty relaxed threshold
Bu bizim bir numaralı ilk özelliğimiz ve oldukça rahat bir eşiğimiz var
so if there's anything plausible in this region
yani bu bölgede makul bir şey varsa
we'll let it through right which is going to let through all of the faces and a bunch of other stuff as well that we
tüm yüzlerden ve bir sürü başka şeyden geçmesine izin verecek doğrudan gireceğiz.
Don't want right. So this is yes. That's okay, right? That's okay if it's a no then we immediately
Doğru istemiyorum. Yani bu evet. Bu tamam değil mi? Sorun değil, hayır, o zaman derhal biz
Fail that region of image right? So we've done one test which is as we know about four additions
Görüntünün bu bölgesi doğru değil mi? Bu yüzden dört ekleme hakkında bildiğimiz bir test yaptık
So we've said for this region of image if this passes will let it through to the next stage
Bu nedenle, bu geçiş bölgesinin bir sonraki aşamaya geçmesine izin verirse, bu görüntü bölgesi için söyledik.
Right and we'll say okay it definitely could be a face
Doğru ve tamam diyeceğiz ki kesinlikle bir yüz olabilir
It's not not-a-face. Does that make sense? Yeah, okay
Yüz değil. bu mantıklı mı? Evet tamam
So let's do look at the next feature
Öyleyse bir sonraki özelliğe bakalım
The next feature is this one
Bir sonraki özellik bu
So it's a three region feature and it measures the difference between the nose and the bridge and the eyes, right?
Yani bu üç bölge özelliği ve burun ile köprü ve gözler arasındaki farkı ölçer, değil mi?
which may or may not be darker or lighter. All right, so there's a difference there
bu daha koyu veya daha açık olabilir veya olmayabilir. Tamam, orada bir fark var.
So this is feature number two, so I'm going to draw that in here number two
Yani bu iki numaralı özellik, bu yüzden bunu iki numaralı buraya çizeceğim
And if that passes we go to the next feature, so this is a sort of binary, they call it "degenerate decision tree"
Ve eğer bu geçerse bir sonraki özelliğe geçersek, bu yüzden bu bir tür ikili, buna "yozlaşmış karar ağacı" diyorlar.
Right, well because the decision tree is a binary tree. This is not really because you immediately stop here
Doğru, çünkü karar ağacı ikili bir ağaçtır. Bu gerçekten değil çünkü hemen burada duruyorsunuz.
you don't go any further. The argument is that
daha ileri gitme. Argüman bu
Every time we calculate one of these features it takes a little bit of time
Bu özelliklerden birini her hesaplamamız biraz zaman alıyor.
The quicker we can say "no definitely not a face in there", the better. And the only time we ever need to look at all the features
Ne kadar çabuk söyleyebiliriz ki, "kesinlikle orada bir yüz yok" diyebiliriz. Ve tüm özelliklere bakmamız gereken tek zaman
Or all of the good ones is when we think, "okay, that actually could be a face here"
Ya da tüm iyiler, "tamam, bu aslında burada bir yüz olabilir" derken
So we have less and less general, more and more specific features going forward right up to about the number
Bu yüzden daha az genel, daha fazla ve daha spesifik özelliklerin tam sayıya kadar ilerlediğini görüyoruz.
I think it's about six thousand they end up using. All right, so we we say just the first one pass
Sanırım kullanmaları yaklaşık altı bin dolar. Tamam, biz sadece ilk geçişi söylüyoruz.
Yes, just a second one pass
Evet, sadece ikinci bir geçiş
Yes, and we keep going until we get a fail and if we get all the way to the end and nothing fails
Evet, başarısız olana kadar devam ediyoruz ve sonuna kadar gidersek hiçbir şey başarısız olmaz.
that's a face, right and the beauty of this, is that
bu bir yüz, doğru ve bunun güzelliği
For the vast majority of the image, there's no computation at all. We just take one look at it, first feature fails
Görüntünün büyük çoğunluğu için, hiçbir hesaplama yoktur. Sadece bir göz atacağız, ilk özellik başarısız oldu
"Nah, not a face". They designed a really good way of adding and subtracting different regions of the image
"Hayır, yüz değil". Görüntünün farklı bölgelerini toplamanın ve çıkarmanın gerçekten iyi bir yolunu tasarladılar
And then they trained a classifier like this to find the best features and the best order to apply those features
Sonra en iyi özellikleri ve bu özellikleri uygulamak için en iyi sırayı bulmak için böyle bir sınıflandırıcıyı eğittiler.
which was a nice compromise between always detecting the faces that are there and false positives and speed right?
her zaman var olan yüzleri tespit etmek ile yanlış pozitifler ve doğru hız arasında ne güzel bir uzlaşma oldu?
And at the time, this was running on, I think to give you some idea of what the computational Technology was like in 2002
Ve o zamanlar bu devam ediyordu, bence hesaplama teknolojisinin 2002'de nasıl olduğu hakkında bir fikir vereceğim.
This was presented on a 700 megahertz Pentium 3 and ran at 15 frames a second
Bu 700 megahertz Pentium 3'te sunuldu ve saniyede 15 kare yayınladı
which was totally unheard of back then. Face detection was the kind of offline, you know, it was okay at that time
o zamanlar tamamen duyulmamış bir şeydi. Yüz tanıma, bir tür çevrimdışıydı, bilirsin, o zamanlar iyiydi.
So this is a really, really cool algorithm and it's so effective
Yani bu gerçekten, gerçekten harika bir algoritma ve çok etkili
that you still see it used in, you know, in your camera phone
kamera telefonunuzda hala kullanıldığını görüyorsunuz.
and in this camera and so on, when you just get a little bounding box around the face and this is still really useful
ve bu kamera ve benzeri, sadece yüzün etrafında küçük bir sınırlayıcı kutu olsun ve bu hala gerçekten yararlıdır
because you might be doing deep learning on something like face recognition, face ID something like this
Çünkü yüz tanıma gibi bir şey üzerinde derin bir öğrenme yapıyor olabilirsiniz.
But part of that process is firstly working out where the face is, and why reinvent the wheel when this technique works really really well
Ancak bu sürecin bir kısmı ilk olarak yüzün nerede olduğunu ve bu teknik gerçekten çok iyi çalıştığında tekerleği yeniden icat ediyor
You can't really get into the data center necessarily and take all the chips out that you've put in there
Gerçekten de veri merkezine giremez ve oraya koyduğun tüm fişleri çıkaramazsın.
So you probably will make the chips look like they're meant to be there like they're something else or hide them
Muhtemelen cipsleri, başka bir şeymişler gibi orda olmaları veya gizlemeleri gibi görünmesini sağlayacaksınız.
So the way a modern printed circuit board is constructed. It's a printed circuit board that's got several layers of fiberglass
Böylece modern bir baskılı devre kartı inşa edilir. Fiberglas katmanları olan baskılı bir devre kartıdır.
Similar videos:

Dijkstra's Algorithm - Computerphile
Computerphile
1.1M views 23.1K likes 392 dislikes 04 Jan 201734% match

How Blurs & Filters Work - Computerphile
Computerphile
423.4K views 8.8K likes 120 dislikes 02 Oct 201533% match

SHA: Secure Hashing Algorithm - Computerphile
Computerphile
874.6K views 14.8K likes 394 dislikes 11 Apr 201732% match

Resizing Images - Computerphile
Computerphile
360.9K views 8.5K likes 115 dislikes 02 Sep 201630% match

How Password Managers Work - Computerphile
Computerphile
368.2K views 11.1K likes 107 dislikes 01 May 201930% match

CNN: Convolutional Neural Networks Explained - Computerphile
Computerphile
718K views 11.2K likes 142 dislikes 20 May 201628% match

How to Choose a Password - Computerphile
Computerphile
1M views 21.1K likes 235 dislikes 20 Jul 201627% match

Password Cracking - Computerphile
Computerphile
3M views 60.3K likes 1K dislikes 13 Jul 201627% match

A* (A Star) Search Algorithm - Computerphile
Computerphile
864.5K views 17.4K likes 426 dislikes 15 Feb 201727% match

Onion Routing - Computerphile
Computerphile
1.1M views 24.4K likes 255 dislikes 31 May 201726% match

Maze Solving - Computerphile
Computerphile
1M views 21.8K likes 295 dislikes 24 Feb 201726% match

Finding the Edges (Sobel Operator) - Computerphile
Computerphile
359.3K views 6.9K likes 50 dislikes 04 Nov 201526% match

Buffer Overflow Attack - Computerphile
Computerphile
1.5M views 32.2K likes 320 dislikes 02 Mar 201624% match

Deep Dream (Google) - Computerphile
Computerphile
618.9K views 13K likes 127 dislikes 26 Aug 201624% match

End to End Encryption (E2EE) - Computerphile
Computerphile
450.6K views 11.2K likes 168 dislikes 30 Mar 201724% match

Hill Climbing Algorithm & Artificial Intelligence - Computerphile
Computerphile
355K views 7.7K likes 165 dislikes 09 Sep 201424% match

ALGOL 60 at 60 - Computerphile
Computerphile
73.7K views 3.1K likes 20 dislikes 04 Jun 202024% match

PDF, What is it FOR? - Computerphile
Computerphile
409K views 12K likes 144 dislikes 16 Sep 201623% match

Why C is so Influential - Computerphile
Computerphile
1.6M views 22.5K likes 1.6K dislikes 25 Aug 201723% match

Lambda Calculus - Computerphile
Computerphile
803.9K views 19.5K likes 567 dislikes 27 Jan 201723% match

Have You Been Pwned? - Computerphile
Computerphile
430.1K views 13.4K likes 125 dislikes 12 Mar 201923% match

Krack Attacks (WiFi WPA2 Vulnerability) - Computerphile
Computerphile
581.5K views 12.2K likes 294 dislikes 17 Oct 201723% match

Physics of Computer Chips - Computerphile
Computerphile
552.2K views 13.7K likes 207 dislikes 19 Aug 201623% match

50 Years of Computer Science: Professor Brailsford Q&A - Computerphile
Computerphile
81.3K views 3K likes 17 dislikes 22 Apr 202023% match

Wana Decrypt0r (Wanacry Ransomware) - Computerphile
Computerphile
1.4M views 30.1K likes 640 dislikes 15 May 201722% match

Parsing Explained - Computerphile
Computerphile
134.2K views 3.6K likes 45 dislikes 13 Nov 201922% match

Computing Limit - Computerphile
Computerphile
358.4K views 11.3K likes 443 dislikes 03 Nov 201722% match

Deep Learning - Computerphile
Computerphile
392.2K views 6.1K likes 280 dislikes 19 Apr 201622% match

Where GREP Came From - Computerphile
Computerphile
644.1K views 23.4K likes 152 dislikes 06 Jul 201822% match

TOR Hidden Services - Computerphile
Computerphile
859.3K views 16.2K likes 242 dislikes 09 Jun 201721% match


Settings Privacy About Contact Donate